李 震,王秀玲,王傳璽,羅志華,王 雪,董玉華,孫炎輝

(1.大連民族大學(xué) 信息與通信工程學(xué)院,遼寧 大連 116605;2.科德數(shù)控股份有限公司,遼寧 大連,116600)

如何檢測混合氣體,對動物和人類通過嗅覺系統(tǒng)識別嗅覺痕跡進(jìn)行研究,嗅覺器官細(xì)胞感知嗅覺環(huán)境中的氣體或揮發(fā)性有機(jī)物,然后大腦神經(jīng)元系統(tǒng)可以對某些氣體做出反應(yīng),并根據(jù)經(jīng)驗分析其信息[1]。受動物和人類嗅覺的啟發(fā),有人提出了“電子鼻(EN)”或“人工嗅覺系統(tǒng)(AOS)”的概念[2, 3]。電子鼻是一種用于測量和監(jiān)測既定環(huán)境中混合氣體的儀器,它通常結(jié)合了氣體傳感器陣列、模式識別算法和傳感器陣列信號處理方法,用于目標(biāo)氣體的檢測、識別和量化[4-11]。傳感器陣列是依據(jù)每個傳感器針對混合氣體中的某個氣體產(chǎn)生響應(yīng)而設(shè)計的[12],所以傳感器的輸出對應(yīng)目標(biāo)氣體的濃度。但是有些環(huán)境下需要同時檢測多種氣體,所以基于傳感器陣列需要提出一種有效的能識別混合氣體環(huán)境中目標(biāo)氣體的種類和濃度的識別算法[13]。

為了進(jìn)一步優(yōu)化電子鼻的應(yīng)用,利用現(xiàn)有模塊設(shè)計了一個三隱層卷積神經(jīng)網(wǎng)絡(luò),其中卷積層采用卷積、歸一化和ReLU激活函數(shù),并使用一維卷積層來提高模型的輕量化程度,從而達(dá)到更好的訓(xùn)練效果。最后將模型在PC端訓(xùn)練后遷移到樹莓派中,對氣體進(jìn)行有效識別。

1 實驗過程及方法

1.1 實驗過程及數(shù)據(jù)采集

以氨氣、丙酮和甲醇的混合氣體為目標(biāo),進(jìn)行了收集數(shù)據(jù)集的相關(guān)實驗。實驗裝置由氣體傳感器陣列、密閉實驗箱和數(shù)據(jù)收集系統(tǒng)組成。其中密閉實驗箱含有一個注液口、一個加熱臺、兩個風(fēng)扇。測試時,先打開風(fēng)扇,確保密閉空間氣體均衡,等密閉實驗箱中的每個氣體傳感器達(dá)到穩(wěn)定狀態(tài)之后,通過注液口將目標(biāo)氣體的液態(tài)物注射到加熱臺,注射過程中,打開加熱臺進(jìn)行加熱,等待目標(biāo)氣體的液態(tài)物迅速蒸發(fā)為氣態(tài),風(fēng)扇的持續(xù)運(yùn)作,會使傳感器陣列得到均勻的氣體信號,最后將氣體信號傳輸?shù)絇C端,按時序進(jìn)行保存,重復(fù)90次,最終得到90組1～1 000 s左右的傳感器陣列數(shù)據(jù)。實驗溫度在20 ℃ ± 2 ℃,濕度在60 % ± 5 %,這與實際環(huán)境是類似的,能夠保證實驗數(shù)據(jù)的有效性和真實性。

實驗對三種氣體單獨(dú)和兩兩混合氣體進(jìn)行測量, 8個氣體傳感器在單一氣體環(huán)境中的響應(yīng)如圖1a,兩種混合氣體環(huán)境中的響應(yīng)如圖1b,這樣分為了6個類別,分別為純氨氣、純丙酮、純甲醇、氨氣和丙酮混合,氨氣和甲醇混合,丙酮和甲醇混合。每種氣體濃度選擇也分了6個類別,分別為0、5、10、20、30、50 ppm的氣體濃度,根據(jù)響應(yīng)時間與恢復(fù)時間,每組實驗測試1 000 s左右,一共得到90組數(shù)據(jù),每組數(shù)據(jù)以時間序列進(jìn)行保存。數(shù)據(jù)包含8個傳感器的0～1 000 s左右的響應(yīng)、混合的氣體類別和混合不同氣體的濃度。

b)在兩種混合氣體環(huán)境中的響應(yīng)圖1 8個氣體傳感器在氣體環(huán)境中的響應(yīng)

a)在單一氣體環(huán)境中的響應(yīng)

1.2 數(shù)據(jù)預(yù)處理

每個目標(biāo)氣體的每個濃度都被集中測量。因此,通過氣體傳感器陣列獲得504 000個數(shù)據(jù)。以大約1 Hz的采樣頻率獲取原始響應(yīng)數(shù)據(jù),并從基線值中減去該數(shù)據(jù),以消除基線值的影響。采集的數(shù)據(jù)約為0～1 000 s,取響應(yīng)開始之后的700 s數(shù)據(jù)作為有效數(shù)據(jù),每個實驗得到一組尺寸為(700,8),整體數(shù)據(jù)集維度為(90,700,8)該數(shù)據(jù)作為每個實驗類別X,每個氣體的濃度值為Y1(90,1)和Y2 (90,3),然后采用公式(1)方法對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化,以標(biāo)準(zhǔn)化數(shù)據(jù)作為輸入特征進(jìn)行模型訓(xùn)練。

(1)

式中:Xij為傳感器i對樣本j的響應(yīng);μi為傳感器i響應(yīng)的平均值;σi為傳感器i響應(yīng)的標(biāo)準(zhǔn)差。

2 不同識別算法的對比研究

通過實驗驗證KNN模型對本研究的數(shù)據(jù)集并不合適,因為數(shù)據(jù)特征較少,且數(shù)據(jù)量較少,分類準(zhǔn)確率不足25%,因此KNN不適用本研究。BPNN與CNN通過訓(xùn)練分類準(zhǔn)確率最高可達(dá)100%。

2.1 全連接神經(jīng)網(wǎng)絡(luò)

使用全連接神經(jīng)網(wǎng)絡(luò)對混合氣體進(jìn)行分類與預(yù)測,不需要將標(biāo)簽轉(zhuǎn)為換為One-hot 編碼,將預(yù)處理后的數(shù)據(jù)以數(shù)組形式進(jìn)行輸入,通過模型訓(xùn)練后,以數(shù)組形式輸出對應(yīng)三種氣體的濃度。最終訓(xùn)練模型為同一個,改變輸入輸出即可完成分類與預(yù)測任務(wù),本文使用Keras的Sequential類定義一個BPNN模型,包括3個隱藏層和1個輸出層, BPNN模型如圖2。

圖2 BPNN模型

為了幫助模型學(xué)習(xí)非線性的特征和模式,提高模型的表達(dá)能力,其中每個隱藏層都使用ReLU作為激活函數(shù)其公式為

f(x)=max(0,x)。

(2)

為了解決混合氣體中多分類問題,輸出層使用Softmax作為激活函數(shù)。使用Compile函數(shù)編譯模型,梯度下降優(yōu)化算法為Adam,其具體公式如下:

首先定義一階矩估計(mean)和二階矩估計(variance)分別為

mt=β1mt-1+(1-β1)gt。

(3)

式中:mt表示對應(yīng)的一階矩陣;β1是衰減率;gt表示當(dāng)前的梯度。

(4)

式中:gt表示當(dāng)前的梯度;vt表示二階矩陣;β2是衰減率。為了消除一開始時對估計不準(zhǔn)的影響,需要對mt和vt進(jìn)行偏差校正,即

(5)

(6)

(7)

式中,θt是學(xué)習(xí)率,ε是一個非常小的常數(shù),用于防止除數(shù)為0。損失函數(shù)為二元交叉熵,最終以損失值和準(zhǔn)確率來評估模型的性能。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了成分識別和濃度估計。為了分類3種氣體(NH3、CH3OH和CH3COCH3),并定量每種氣體的濃度。該網(wǎng)絡(luò)由三個卷積塊和六個完全連接的層(致密)組成。利用3個卷積塊(8×3)計算特征提取的卷積,對所有層進(jìn)行批處理歸一化,并使用校正線性單元(ReLU)函數(shù)作為激活函數(shù),使用兩種輸出方式,在輸出層中使用Softmax函數(shù)進(jìn)行分類,在輸出層不使用激活函數(shù)直接輸出每種氣體的濃度,模型如圖3。

圖3 卷積神經(jīng)網(wǎng)絡(luò)整體模型

卷積是將二維矩陣中的每個元素添加到其局部領(lǐng)域中的過程,并通過核進(jìn)行加權(quán)。假設(shè)輸入矩陣A具有維數(shù)(Ma,Na),而核矩陣B具有維數(shù)(M,N)。當(dāng)塊計算全輸出大小時,離散卷積的方程可以表示為

(8)

式中,0≤i

圖4 卷積操作

在實驗中使用的卷積均為一維卷積[14],對于混合氣體分類任務(wù)是能夠有較好應(yīng)用的[15-17]。

本文研究的卷積神經(jīng)網(wǎng)絡(luò)由三個卷積塊和一層線性層組成,單個卷積塊如圖5。利用3個卷積核(8×3)提取特征,并使用校正線性單元(ReLU)函數(shù)作為激活函數(shù),對所有層進(jìn)行批處理歸一化,針對混合氣體類別進(jìn)行分類,在輸出層中使用Softmax函數(shù)進(jìn)行分類,對混合氣體進(jìn)行濃度預(yù)測時直接使用梯度下降方式,輸出三種對應(yīng)氣體的濃度。為了簡化計算,并方便應(yīng)用,卷積塊的第一層使用一維卷積,為了提高特征表示能力,一維卷積和批處理歸一化操作以及激活函數(shù)一起組成了一個卷積塊[10]。

圖5 卷積塊

基于卷積層數(shù)問題,本研究為了尋求最優(yōu)層數(shù)的卷積神經(jīng)網(wǎng)絡(luò),設(shè)置了對比試驗,訓(xùn)練次數(shù)設(shè)置為100,實驗結(jié)果見表1。

表1 不同層數(shù)的卷積神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)集中的訓(xùn)練效果

通過實驗發(fā)現(xiàn),訓(xùn)練時間并不是嚴(yán)格隨著卷積層數(shù)的增加而增加,出現(xiàn)了先減小后增加的情況,通過對卷積的特點(diǎn)分析,在兩層卷積的網(wǎng)絡(luò)結(jié)構(gòu)中,相比一層卷積的結(jié)構(gòu),多了一層卷積層,這樣可以更好地提取特征,減少了全連接層的參數(shù)數(shù)量,從而降低了模型的復(fù)雜度,因此訓(xùn)練時間會相對較短。同樣的,隨著卷積層數(shù)增加,準(zhǔn)確率出現(xiàn)了先提升后下降的情況,這是因為隨著卷積層數(shù)的增加,網(wǎng)絡(luò)的復(fù)雜度和參數(shù)量也會增加,這會導(dǎo)致模型出現(xiàn)過擬合的情況。此外,還可能由于層數(shù)過多,出現(xiàn)梯度消失或者爆炸情況,這會導(dǎo)致梯度在反向傳播時逐漸變小或變大,進(jìn)而導(dǎo)致梯度消失或爆炸的情況,從而使訓(xùn)練過程不穩(wěn)定。因此通過本次實驗認(rèn)為三卷積層的CNN綜合訓(xùn)練效果最佳。模型訓(xùn)練的超參數(shù)設(shè)置見表2。

表2 CNN的訓(xùn)練超參數(shù)

在此基礎(chǔ)上,三層卷積的CNN能夠確保分類準(zhǔn)確率達(dá)到98.88%,且參數(shù)量較小,模型較輕量化。

2.3 模型效果對比

使用三種模型進(jìn)行對比見表3。將混合氣體進(jìn)行分類,BPNN與CNN分類效果均能夠達(dá)到100%。對混合的不同氣體濃度進(jìn)行預(yù)測,通過十折交叉驗證后平均均方差能夠達(dá)到3.89和2.47。

表3 模型對比結(jié)果

表3中的結(jié)果是在CPU型號為AMD Ryzen 7 5800H with Radeon Graphics,主頻3.20 GHz,內(nèi)存16G的計算機(jī)上訓(xùn)練,模型訓(xùn)練在Jupyter Notebook環(huán)境中執(zhí)行,執(zhí)行1 000次Epoch所用時間,經(jīng)過十折交叉驗證最終得到的模型訓(xùn)練準(zhǔn)確率與損失值的平均數(shù)。為了驗證CNN訓(xùn)練過程的效果如圖6?？梢钥闯鯟NN損失值下降較快。

(9)

為了保證訓(xùn)練時間穩(wěn)定,以98.88%為閾值,通過對比BPNN與CNN的訓(xùn)練時間發(fā)現(xiàn)當(dāng)分類訓(xùn)練達(dá)到98.88%時,CNN比BPNN訓(xùn)練速度要快約58%,見表4。通過分析BPNN與CNN的參數(shù)量與浮點(diǎn)數(shù),可以得知BPNN模型參數(shù)量大,訓(xùn)練更加耗費(fèi)資源。

表4 模型訓(xùn)練參數(shù)

3 硬件平臺的實現(xiàn)

為了能夠?qū)崿F(xiàn)傳感器陣列系統(tǒng)的離線測量,使用單片機(jī)作為核心處理器,半導(dǎo)體電阻式氣體傳感器作為組成陣列的傳感器,樹莓派作為數(shù)據(jù)推理端和顯示端,制作了一個可以實時采集混合氣體的系統(tǒng)。使用8個金屬氧化物電阻式傳感器組合成傳感器陣列,通過濾波電路,將信號傳輸至STM32單片機(jī)中,在單片機(jī)中對數(shù)據(jù)進(jìn)行預(yù)處理后,通過串口將數(shù)據(jù)傳送至樹莓派中,并在樹莓派中進(jìn)行推理與顯示。硬件系統(tǒng)框圖如圖7。

圖7 硬件系統(tǒng)框圖

3.1 傳感器陣列設(shè)計

根據(jù)所測氣體的種類和特性,采用了由8個費(fèi)加羅公司生產(chǎn)的金屬氧化物傳感器組成的傳感器陣列對混合氣體進(jìn)行測試,傳感單元中所包含的傳感器見表5。這些傳感器被專門用來檢測大量特殊的化學(xué)品[18],如:甲烷、一氧化碳、VOC等。

表5 傳感單元中包含的金屬氧化物傳感器

為了能夠?qū)崿F(xiàn)電子鼻離線測量,使用單片機(jī)作為核心處理器,制作了一個可以實時采集混合氣體的設(shè)備,半導(dǎo)體電阻式氣體傳感器的結(jié)構(gòu)原理圖如圖8。半導(dǎo)體電阻式氣體傳感器的原理基于半導(dǎo)體材料對氣體吸附或氧化的靈敏度不同。當(dāng)氣體吸附或氧化到半導(dǎo)體表面時,會改變半導(dǎo)體的電阻值,這種電阻值變化與氣體濃度成正比。因此,通過測量半導(dǎo)體電阻值的變化,可以確定氣體濃度。又因為制造成本較低,外形小巧,所以適合集成在微型設(shè)備中。所以本文使用8個半導(dǎo)體電阻式傳感器組合傳感器陣列,結(jié)合STM32F103CET6單片機(jī),對混合氣體進(jìn)行采集,得到數(shù)據(jù)。

圖8 半導(dǎo)體電阻式傳感器的結(jié)構(gòu)原理圖

3.2 算法在樹莓派中的移植

將模型代碼導(dǎo)入樹莓派中,并進(jìn)行離線訓(xùn)練。選用的樹莓派采用4核64位的ARM Cortex-A72架構(gòu)CPU,型號為博通BCM2711 SoC,為訓(xùn)練模型提供了很好的硬件支持。通過網(wǎng)線使計算機(jī)與樹莓派建立鏈接,建立局域網(wǎng),使用VNC viewer通過IP訪問樹莓派,并傳輸網(wǎng)絡(luò)模型程序與E-nose軟件到樹莓派中。其中網(wǎng)絡(luò)模型程序中相關(guān)路徑提前設(shè)置為樹莓派的相關(guān)路徑。

將模型移植到樹莓派后,使用樹莓派訓(xùn)練,訓(xùn)練1 000次需要767 s,且準(zhǔn)確率只能達(dá)到50%,通過與PC端訓(xùn)練環(huán)境對比分析,在不同的硬件平臺上,CPU和內(nèi)存的性能、速度等方面都有所不同,這會影響訓(xùn)練模型的速度和效果。另外,在PC端和樹莓派上,運(yùn)行的操作系統(tǒng)和環(huán)境也有所不同,這也會影響訓(xùn)練模型的準(zhǔn)確率。因此,要提高識別準(zhǔn)確率,將在PC端訓(xùn)練好的模型遷移到樹莓派中,再對混合氣體進(jìn)行識別,以此保證對混合氣體識別效果與PC端相同,此過程需要使用模型轉(zhuǎn)換工具將模型格式從原來的格式.h5轉(zhuǎn)換為適合在樹莓派上運(yùn)行的格式.tflite。最后可在樹莓派上運(yùn)行訓(xùn)練好的模型。當(dāng)識別率降低時,模型需要進(jìn)一步訓(xùn)練,可在樹莓派中引入模型,通過定義編譯參數(shù)和訓(xùn)練數(shù)據(jù),進(jìn)一步對模型進(jìn)行訓(xùn)練。

4 結(jié) 語

對神經(jīng)網(wǎng)絡(luò)與傳感器陣列在嵌入式平臺的應(yīng)用進(jìn)行了研究,使用三種網(wǎng)絡(luò)對自測數(shù)據(jù)集進(jìn)行訓(xùn)練得到模型,發(fā)現(xiàn)KNN的分類準(zhǔn)確率只有24%,并不適用于本研究。而BPNN與CNN分類準(zhǔn)確率最高均可達(dá)到100%,預(yù)測濃度效果通過使用MSE進(jìn)行評估,在訓(xùn)練1000次時損失值分別為21.36和20.69,均方差均在4以下,但是當(dāng)訓(xùn)練分類模型時,BPNN的訓(xùn)練時間相較于CNN超出56%,訓(xùn)練預(yù)測模型時,訓(xùn)練1 000個epoch時間超出33.5%。通過對在計算機(jī)上與嵌入式處理器上訓(xùn)練模型,發(fā)現(xiàn)硬件的訓(xùn)練環(huán)境對結(jié)果影響較大,應(yīng)用輕量化模型更為有效,所以相較于KNN與BPNN,使用CNN在嵌入式處理器中應(yīng)用效果更好。通過設(shè)計原理圖實現(xiàn)了離線采集混合氣體的數(shù)據(jù),最終將CNN網(wǎng)絡(luò)模型與傳感器陣列應(yīng)用到嵌入式處理器中能夠?qū)崿F(xiàn)離線采集并訓(xùn)練模型,可得到便攜式的電子鼻系統(tǒng)。